基于SVM的土地覆蓋遙感分類研究

1、1 引言32 傳統(tǒng)的遙感分類方法32.1 最大似然法42.2 最小距離法43 SVM基本原理53.1 SVM基本算法63.1.1 線性可分的SVM63.1.2 非線性SVM73.2 SVM分類器參數(shù)估計83.3 SVM分類器多類問題84 土地覆蓋遙感分類實(shí)驗(yàn)84.1 試驗(yàn)區(qū)概況84.2 數(shù)據(jù)及處理94.3 遙感圖像的傳統(tǒng)方法分類114.4 遙感圖像SVM分類134.5 實(shí)驗(yàn)結(jié)果分析155 結(jié)論15參考文獻(xiàn)17基于SVM的土地覆蓋遙感分類研究摘 要：在目前的遙感分類中，最常用的方法是傳統(tǒng)的最小距離法和最大似然法，其分類結(jié)果由于分類方法本身的問題及遙感圖像的空間分辨率以及“同物異譜”，“同譜異物”

2、現(xiàn)象的存在，而往往出現(xiàn)較多的錯分、漏分情況，導(dǎo)致分類精度不高。支持向量機(jī)（Support Vector Machine，SVM）是基于研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的統(tǒng)計學(xué)習(xí)理論的新的機(jī)器學(xué)習(xí)方法，它以結(jié)構(gòu)風(fēng)險最小化為準(zhǔn)則，對實(shí)際應(yīng)用中有限訓(xùn)練樣本的問題，表現(xiàn)出很多優(yōu)于已有學(xué)習(xí)方法的性能。本文通過對TM圖像的土地覆蓋進(jìn)行傳統(tǒng)方法分類與SVM分類的對比實(shí)驗(yàn)，結(jié)果表明SVM總體分類精度為98.5610%，kappa系數(shù)為0.9610，具有更高的分類精度。關(guān)鍵詞：SVM；土地覆蓋；遙感分類；TMLand Cover Classification from Remote Sensing Image Us

3、ing Support Vector MachinesAbstract：In the current remote sensing image classification, the most commonly used method is the traditional method such as the minimum distance and the maximum likelihood method. However, due to the limitation of the classification methods, the inherent feature of spatia

4、l resolution of remote sensing images such as with synonyms spectrum and foreign body in the same spectrum, mistakes and omission in classification occur often, resulting in classification accuracy is not high. SVM (Support Vector Machine, SVM) is a new machine learning method based on the laws of s

5、tatistical learning theory for small sample case, which following the guidelines for structural risk minimization. On the practical application of the limited training samples, SVM have shown better performance than learning methods. In this paper based on the TM image of the traditional methods of

6、land-cover classification and SVM classification experiments, the overall results show that the SVM classification accuracy of 98.5610%, kappa coefficient of 0.9610, with a higher classification accuracy. Keywords：Support Vector Machine; Land cover; Remote sensing image classification; TM1 引言在遙感應(yīng)用中，

7、通過遙感圖像處理和判讀來識別各種地物是一個主要的工作目的，無論是地物信息提取、土地動態(tài)變化監(jiān)測，還是專題地圖制作和遙感圖像庫的建立等都離不開分類。遙感圖像的計算機(jī)分類，是對遙感圖像上的地物進(jìn)行屬性的識別和分類，是模式識別技術(shù)在遙感技術(shù)領(lǐng)域中的具體運(yùn)用。常見的模式識別技術(shù)主要包括監(jiān)督分類和非監(jiān)督分類。非監(jiān)督分類憑借遙感圖像上地物的光譜特征，即自然聚類的特性進(jìn)行分類。分類結(jié)果只是區(qū)分了存在的差異，不能確定類別的屬性。類別的屬性需要通過目視判讀或?qū)嵉卣{(diào)查后確定。監(jiān)督分類利用對研究區(qū)的實(shí)地調(diào)查資料，從已經(jīng)知道的訓(xùn)練樣區(qū)中計算出實(shí)際地區(qū)的光譜統(tǒng)計數(shù)據(jù)作為圖像分類的判別依據(jù)，并以此對整個圖像的像元做判別處

8、理，使得具有相似光譜特征并滿足一定判別規(guī)則的像元?dú)w并為一類。遙感圖像分類中，采用較多的是傳統(tǒng)的基于統(tǒng)計決策法(判別理論識別法)的模式識別分類方法：諸如最小距離法，最大似然法等監(jiān)督分類法。分類方法是根據(jù)遙感圖像數(shù)據(jù)的統(tǒng)計特征與訓(xùn)練樣本數(shù)據(jù)之間的統(tǒng)計關(guān)系來進(jìn)行分類的，其分類精度往往不甚理想。同時由于遙感圖像本身的空間分辨率以及“同物異譜”，“同譜異物”現(xiàn)象的存在，而往往出現(xiàn)較多的錯分、漏分情況，導(dǎo)致分類精度不高。本文利用SVM與傳統(tǒng)的最小距離法、最大似然法進(jìn)行基于TM影像的土地覆蓋分類的對比試驗(yàn)，實(shí)驗(yàn)結(jié)果表明SVM具有較高的分類精度和空間穩(wěn)定性。2 傳統(tǒng)的遙感分類方法傳統(tǒng)的遙感分類方法是一種基于統(tǒng)

9、計決策法(判別理論識別法)模式識別的分類方法1。統(tǒng)計決策法模式識別指的是：對研究對象進(jìn)行大量的統(tǒng)析，抽出反映模式的本質(zhì)特點(diǎn)、特征而進(jìn)行識別。主要有監(jiān)督分類中的最小距離法、逐次參數(shù)估計法、梯度法、最小均方誤差法、費(fèi)歇準(zhǔn)則法和非監(jiān)督分類中的按批修改的逐步聚類法、等混合距離法。此外還可以將兩者結(jié)合起來，互相補(bǔ)充以獲得較好的效果。由于是基于數(shù)理統(tǒng)計理論，所以常規(guī)統(tǒng)計算法一般在樣本的數(shù)目趨于無窮大時，才能獲得良好的分類精度，但是在實(shí)際工作中樣本的數(shù)目往往是有限的，所以這種分類方法難以取得理想的分類效果3。在遙感圖像數(shù)據(jù)的分類中，人們最常用的是最大似然分類法和最小距離分類法。最大似然分類法一般是基于貝葉斯

10、（Bayes）準(zhǔn)則構(gòu)建起來的，而基于各種判決距離函數(shù)的多種分類方法都稱為最小距離分類法。2.1 最大似然法9最大似然分類方法是基于貝葉斯準(zhǔn)則的分類錯誤概率最小的一種非線性分類，是應(yīng)用比較廣泛、比較成熟的一種監(jiān)督分類方法。最大似然法假設(shè)遙感圖像的每個波段數(shù)據(jù)都為正態(tài)分布。其基本思想是：地物類數(shù)據(jù)在空間中構(gòu)成特定的點(diǎn)群；每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布；各類的多維正態(tài)分布模型各有其分布特征，例如，所在位置、形狀、密集或分散的程度等。對于具有3個特征的正態(tài)分布來說，每一類的數(shù)據(jù)就是一個近似鐘形的立方體。不同類形成的“鐘”在高低、粗細(xì)、尖闊等方面都不

11、相同；根據(jù)各類的已知數(shù)據(jù)，可以構(gòu)造出各類的多維正態(tài)分布模型（實(shí)際為各類中數(shù)據(jù)向量的頻率，即概率密度函數(shù)或概率分布函數(shù)）；在此基礎(chǔ)上，對于任何一個像素，可反過來求它屬于各類的概率，取最大概率對應(yīng)的類為分類結(jié)果。其判決函數(shù)di (x)如下： di (x)= lnP(Wi)ln|i | (xMi) T (i) -1 ( xMi) (1)相應(yīng)的判決規(guī)則有：若對于所有可能的j =1 ,2 , m , ji有di (x) dj(x)，則x屬于Wj 類。2.2 最小距離法9最小距離是一種相對簡化了的分類方法。前提是假定圖像中各類地物光譜信息呈多元正態(tài)分布，每一個類在K維特征空間中形成一個橢球狀的點(diǎn)群，依據(jù)像

12、素距各類中心距離的遠(yuǎn)近決定其歸屬。假設(shè)K維特征空間存在m個類別，某一像素x距哪類距離最小就判歸哪類，其通用判決形式如下：若對于所有可能的j =1 ,2 , m , ji有di (x) dj(x)，則x屬于Wj 類。常用的有歐式距離和馬氏距離。只要確定了類別數(shù)和類中心，即可按上述方法判別每個像素的歸屬?；镜挠嬎懔鞒倘缦拢杭俣〝M定了Nc個類別，并分別確定了各個類別的訓(xùn)練區(qū)。根據(jù)訓(xùn)練區(qū)，首先計算出每個類別的平均值，以此作為類別中心。計算待判別像素x與每一個類別中心的距離，并分別進(jìn)行比較，取距離最小的一類作為該像素的分類。依此方法逐個對每個像素判別歸類?？梢钥闯觯嬲绊懛诸惤Y(jié)果的是各個類的均值。這

13、是在若干先決條件下的簡單分類，容易產(chǎn)生錯誤，但該方法簡單、實(shí)用性強(qiáng)、計算速度快。3 SVM基本原理2-7支持向量機(jī)（SVM）是一種學(xué)習(xí)機(jī)制，是20世紀(jì)90年代發(fā)展起來的基于統(tǒng)計學(xué)習(xí)理論的有限樣本的模式分類方法，與傳統(tǒng)的統(tǒng)計學(xué)所研究的漸進(jìn)理論，即當(dāng)樣本數(shù)目趨向于無窮大時的極限特征，有著本質(zhì)的區(qū)別。支持向量機(jī)是從線性可分情況下的最優(yōu)分類超平面（OHP，Optimal Hyper Plane）提出的，其基本思想是通過非線性變換將輸入空間變換到一個高維的特征空間，然后在這個新的高維特征空間中求取最優(yōu)分類超平面，該分類超平面不但能夠?qū)⑺械挠?xùn)練樣本正確分類，而且使訓(xùn)練樣本中離分類面最近的點(diǎn)到分類面的距離

14、最大，即分類間隔最大。標(biāo)準(zhǔn)的支持向量機(jī)算法是有監(jiān)督的學(xué)習(xí)方法，根據(jù)最優(yōu)分類面情況可分為兩種：線性類別（可分和不可分）和非線性類別。如圖1所示，實(shí)心點(diǎn)和空心點(diǎn)代表兩類樣本。假如這兩類樣本（訓(xùn)練集）是線性可分的，則機(jī)器學(xué)習(xí)的結(jié)果是一個超平面（二維情況下是直線）或稱為判別函數(shù)，該超平面可以將訓(xùn)練樣本分為正負(fù)兩類。圖1 線性可分情況下的超平面Fig.1 The linear divisible OHP圖中H為分類線，H1、H2分別為過各類中離分類線最近的樣本且平行于分類線的直線，它們之間的距離叫做分類間隔（margin）。所謂分類間隔是指兩類中離分類超平面最近的樣本且平行于分類超平面的兩個超平面間的距

15、離，或者說是從分類超平面到兩類樣本中最近樣本的距離的和，這些最近樣本可能不止2個，正是它們決定了分類超平面，也就是確定了最優(yōu)分類超平面，這些樣本就是所謂的支持向量（Support Vectors，SV）。SVM理論追求學(xué)習(xí)具有泛化能力最強(qiáng)的目標(biāo)，實(shí)現(xiàn)的過程是首先求出支持向量SV，然后求出最優(yōu)分類超平面。3.1 SVM基本算法3.1.1 線性可分的SVM對于線性問題，設(shè)有n個樣本xi及其所屬類別yi，表示為xi ，yi，xi 1，-1 (i =1 ,2 , n)，將兩類樣本正確分類的超平面表示為WX + b=0,為了使分類間隔最大可以在約束條件： yi WX + b 10 (i =1 ,2 ,

16、n) (2)下求解 (w) = |w|2 = (ww) (3)的最小值，考慮到一些樣本不能被正確分類，為了提高分類的正確性，引入松弛因子i0(i =1 ,2 , n)，此時的約束條件式(2)變?yōu)閥i WX + b 1 + i0 (i =1 ,2 , n) (4)最優(yōu)化目標(biāo)函數(shù)式(3)變?yōu)?w) = (ww) + C (5)式中：C為懲罰系數(shù)，C越大對錯分樣本的懲罰程度就越大，同時C還可以對錯分樣本比例和算法復(fù)雜程度之間進(jìn)行調(diào)節(jié)。利用Lagrange優(yōu)化方法可以把上述最優(yōu)化問題轉(zhuǎn)化為其對偶問題，即在約束條件： = 0 和0i(i =1 ,2 , n)下求Q() = (xiyi) (6)的最大值。

17、其中，如果i = 0，樣本xi稱為非支持向量；若i 0，則i稱為支持向量。解上述問題后得到的最優(yōu)分類函數(shù)是：f(x) = sgn(W*x) + b= sgn * yi (xi +x)+b* (7)式(7)中的求和只對支持向量進(jìn)行。其中sgn ()為符號函數(shù)；b*為分類閾值；i*為最優(yōu)解。3.1.2 非線性SVM為了將線性支持向量機(jī)推廣到非線性情況，Vapnik提出了核函數(shù)（Kernel Function）的概念，其基本思想是：通過一個非線性映射將輸入向量z映射到一個高維特征空間中，然后在高維特征空間中構(gòu)建最優(yōu)超平面。根據(jù)泛函的相關(guān)理論，只要核函數(shù)K(xi ，yi)滿足Mercer條件，它就對應(yīng)

18、于某一變換空間中的內(nèi)積。因此，在最優(yōu)分類面中用適當(dāng)?shù)膬?nèi)積核函數(shù)K(xi ，yi)就可以實(shí)現(xiàn)從低維空間向高維空間的映射，從而使得非線性分類問題在高維空間變得可分。此時的函數(shù)式(6)變?yōu)?Q() = k(xiyi) (8)而對應(yīng)的最優(yōu)分類函數(shù)式(7)變?yōu)?f(x) = sgn * yi k(xi +x)+b* (9)實(shí)際上，正是核函數(shù)的引入使得支持向量機(jī)得以實(shí)用化，因?yàn)樗苊饬孙@示高維空間中向量內(nèi)積而造成的大量運(yùn)算。目前常用的核函數(shù)包括以下4種：（1）線性核函數(shù) k(xixj) = xi Txj ；（2）多項(xiàng)式核函數(shù) k(xixj)= (xi Txj + r)d，0；（3）徑向基核函數(shù) k(xix

19、j) = exp(-|xi xj|2 )，0；（4）S型核函數(shù) k(xixj) = tanh(xi Txj + r) 。在實(shí)際應(yīng)用中，通常需要根據(jù)問題的具體情況選擇合適的核函數(shù)以及對應(yīng)的參數(shù)進(jìn)行處理。3.2 SVM分類器參數(shù)估計與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法相比，支持向量機(jī)具有出色的性能，它運(yùn)用結(jié)構(gòu)風(fēng)險最小化原則，能在經(jīng)驗(yàn)風(fēng)險與模型復(fù)雜度之間作適當(dāng)?shù)恼壑?，從而獲得更好的推廣能力。但是，支持向量機(jī)在實(shí)際應(yīng)用中，關(guān)于參數(shù)選擇的問題仍然沒有得到很好地解決，如多項(xiàng)式學(xué)習(xí)機(jī)器的階數(shù)問題、徑向基機(jī)器中的函數(shù)寬度，以及S型函數(shù)的寬度和偏移等。Vanpik等的研究表明，SVM的性能與所選用的核函數(shù)的類型關(guān)系不大，而核函

20、數(shù)的參數(shù)和懲罰系數(shù)C是影響SVM性能的主要因素。統(tǒng)計學(xué)習(xí)理論目前對這些問題給出了一些建議和解釋，但還沒有給出實(shí)際可行的方案。目前也只有通過實(shí)驗(yàn)方法來確定最佳參數(shù)。因此， 在使用支持向量機(jī)進(jìn)行分類和預(yù)測時，如何選擇適當(dāng)?shù)膮?shù)就成為非常重要的問題。3.3 SVM分類器多類問題SVM方法的最初提出是針對二分類問題，但是可以很方便地擴(kuò)展到多類問題的劃分中去。一般多類別支持向量機(jī)分類有如下兩種方法：（1）通過某種方式構(gòu)造一系列的二類分類器并將它們組合在一起來實(shí)現(xiàn)多分類；（2）將多個分類面的參數(shù)求解合并到一個最優(yōu)化問題中，通過求解該最優(yōu)化問題一次性實(shí)現(xiàn)多類分類。第二種方法看起來簡潔，但是它在多類中要解決更

21、大規(guī)模的二次優(yōu)化問題，在求解精度和分類時間上相比于第一種方法都不占優(yōu)勢，在大規(guī)模二次規(guī)劃問題沒能得到很好解決前不能推廣。實(shí)際常用SVM多類別分類是第一種方法，二類別的分類器組合有一對一，一對多和多對多三種組合方法。一對一方法一般在N 類分類中，需構(gòu)造N(N- 1)/2個分類器，計算量比較大，且存在混分樣本問題；一對多方法是用一類和剩下其它所有類判別分類，一個分類器分出其中某一類。在N類分類中，要構(gòu)造N個分類器，這種方法相對計算量較小，比較簡單且達(dá)到同樣多類別分類效果，缺點(diǎn)就是存在混分和漏分樣本問題；多對多分類有決策樹算法，先把多類劃為二大類，再在二類中繼續(xù)往下劃分，直到最后的一對一類判別，這種

22、方法雖然未出現(xiàn)混分或漏分樣本，分類效率也高，但是存在數(shù)量比較多的分類錯誤。4 土地覆蓋遙感分類實(shí)驗(yàn)4.1 試驗(yàn)區(qū)概況研究區(qū)位于吉林省西部的乾安和前郭兩縣。吉林省西部屬于生態(tài)環(huán)境極為脆弱，對全球氣候變化反應(yīng)最為敏感的一個區(qū)域，處于松嫩平原中西部低洼易澇鹽堿地與風(fēng)沙地交錯分布區(qū)，包括大安、洮南、白城、鎮(zhèn)賚、通榆、扶余、松原、前郭、乾安和長嶺10個市縣。是半濕潤半干寒地區(qū)，又是農(nóng)牧交錯帶，呈現(xiàn)明顯的邊緣性和過渡性特征，自然生態(tài)系統(tǒng)穩(wěn)定性差，對外界干擾非常敏感，易于改變，生態(tài)環(huán)境十分脆弱。熱量資源較為豐富，年降水量370407mm，年蒸發(fā)量15001900mm，蒸發(fā)量與降水量之比為3.44.89，10

23、的年活動積溫29003200，濕潤系數(shù)為0.5左右。全區(qū)以西北風(fēng)和西南風(fēng)為多，一般冬春干燥季節(jié)風(fēng)速最大，平均為4.5/。地帶性土壤為黑栗鈣土，但鹽堿化草甸土及風(fēng)沙土分布廣泛，在植被類型上由草甸草原向真草原過渡。生態(tài)環(huán)境諸因素具有明顯的過渡性質(zhì)。風(fēng)沙、鹽堿、洪澇、冰雹、低溫、冷害等自然災(zāi)害交織在一起，影響和制約該地帶自然生態(tài)和社會經(jīng)濟(jì)的發(fā)展。本世紀(jì)初以來，大量移民的涌入以使本區(qū)的區(qū)域經(jīng)濟(jì)由牧業(yè)系統(tǒng)逐漸演變?yōu)橐赞r(nóng)業(yè)為主的農(nóng)田生態(tài)系統(tǒng)。歷經(jīng)50多年的強(qiáng)度開發(fā)，土地“荒漠化”日益加劇，生態(tài)系統(tǒng)質(zhì)量逐步退化，生產(chǎn)力不斷下降。近20年來，人口持續(xù)增長的壓力和經(jīng)濟(jì)利益的趨勢，為維持糧食生產(chǎn)和粗放式草原畜牧業(yè)

24、，局部毀草毀林開荒、過牧和濕地開墾活動不斷，土地利用變化比較劇烈，區(qū)域差異顯著，具有代表性。草地面積由1949年的213萬hm2減少到1999年的136萬hm2，以每年近2%的速度減少，退化程度以重度和中度為主，分別占退化面積的48%和45%，出現(xiàn)大面積連片的堿斑，甚至發(fā)展成為寸草不生的“光板地”。草地的質(zhì)量退化主要為沙化、鹽堿化和土壤貧瘠化，草地的“三化”使產(chǎn)草量明顯下降，由20世紀(jì)50年代的1.52.55t/ hm2減少到現(xiàn)在0.75 t/ hm2，嚴(yán)重制約該地區(qū)畜牧業(yè)的發(fā)展。4.2 數(shù)據(jù)及處理采用的圖像數(shù)據(jù)為2002年8月30日的Landsat TM圖像，空間分辨率是30m，圖像大小為1

25、85km185km，軌道號為119/029，經(jīng)過了幾何校正，并用ENVI4.5提供的flaash模塊進(jìn)行了大氣校正。為了減少工作量及更好地探討這三種分類方法的準(zhǔn)確度，從原圖像中裁剪出20001500像元的包含有典型地物的研究區(qū)。遙感圖像分類通常是在三維特征空間中進(jìn)行的，且像元在不同特征空間中的位置和分布也不同，因此選擇正確的光譜波段組合可以減小波段間的冗余信息，提高類別的可分性。在對遙感圖像進(jìn)行監(jiān)督分類時，對圖像進(jìn)行了穗帽變換，并選擇前三個特征量進(jìn)行組合，以突出水體、土壤和植被信息，便于分出水體和各種植被和土壤類型（如圖2）。還參考了此區(qū)域的2000年5月28日的遙感影像圖。此時的農(nóng)作物尚未長

26、出，土壤裸露，但樹林的枝葉已經(jīng)茂盛，有利于將林地分別出來。同時，結(jié)合2008年6月對研究區(qū)域的實(shí)地考察，來準(zhǔn)確判斷研究區(qū)域的土地利用類型。參照中國土地資源分類系統(tǒng)10，根據(jù)土地的利用方式和屬性以及本研究的要求，將研究區(qū)域的土地覆蓋類型分為耕地、林地、草地、水域、建設(shè)用地、濕地、鹽堿地共7種類型。各類型的描述如表1。表1 土地覆蓋類型描述Table 1 The description of land covers types名 稱描 述影像特征(經(jīng)穗帽變換，R=brightness，G=greenness，B=wetness)耕 地指種植農(nóng)作物的土地，包括熟耕地、新開荒地、休閑地、輪歇地、草田輪

27、作地；耕種三年以上的灘地和灘涂幾何形狀明顯，邊界清晰。呈大面積分布，可見農(nóng)田防護(hù)林網(wǎng)，有渠道灌溉設(shè)施，有明顯耕種紋理或條狀紋理，顏色淺藍(lán)、淺綠林 地指生長喬木、灌木等林業(yè)用地幾何特征明顯，邊界規(guī)則，呈塊狀、條帶狀、不規(guī)則面狀，影像色調(diào)較暗草 地指以生長草本植物為主，覆蓋度在5%以上的各類草地，包括以牧為主的灌叢草地和郁閉度在10%以下的疏林草地面狀條帶狀塊狀分布，邊界清晰，影像結(jié)構(gòu)較均勻，無紋理濕 地指地勢平坦低洼，排水不暢，長期潮濕，季節(jié)性積水或常積水，表層生長濕生植物的土地分布在湖泊、河流邊緣或地勢低洼處，幾何形狀明顯，邊界清晰，顏色為藍(lán)綠色鹽 堿 地指地表鹽堿聚集，植被稀少，只能生長耐鹽

28、堿植物的土地邊界清晰，呈紅色，輕度鹽堿地影像結(jié)構(gòu)粗糙，重度鹽堿地結(jié)構(gòu)均一水 域指天然陸地水域和水利設(shè)施用地幾何特征明顯，顏色為藍(lán)色。影像結(jié)構(gòu)均一建設(shè)用地指城鄉(xiāng)居民點(diǎn)、縣鎮(zhèn)及工礦、交通等用地幾何形狀特征明顯，邊界清晰，呈紫色或紫紅色，影像結(jié)構(gòu)粗糙圖2 經(jīng)過穗帽變換后的研究區(qū)圖像(R=brightness，G=greenness，B=wetness)Fig.2 The image of research area after K-T transform (R=brightness，G=greenness，B=wetness)4.3 遙感圖像的傳統(tǒng)方法分類監(jiān)督分類一般是先計算訓(xùn)練樣本的光譜統(tǒng)計信息，

29、然后計算待分像元的光譜信息以便將像元?dú)w到與樣本光譜信息最接近的那一類中，一般每一類的訓(xùn)練數(shù)據(jù)中至少需要選擇10n(n為波段數(shù))個以上的像元9。根據(jù)這一論斷對每一類均選出了1549到5206個像元作為樣本，其中一半作為分類樣本另一半作為檢測樣本。在對研究區(qū)圖像進(jìn)行傳統(tǒng)方法分類以及后面的SVM分類過程中，均采用相同的訓(xùn)練區(qū)進(jìn)行分類?？紤]到研究區(qū)域地物組成的復(fù)雜性以及分類的準(zhǔn)確性，在劃分訓(xùn)練區(qū)類型時，將某些土地覆蓋類型細(xì)分為幾個亞類，比如耕地，總共分了五個亞類，鹽堿地分了三個亞類，濕地分了兩個亞類，水域分了兩個亞類。在整個分類過程中均是基于穗帽變換后的圖像進(jìn)行的，參與分類的波段為brightness

30、，greenness，和wetness。利用ENVI4.5完成亞類的分類后，進(jìn)行了Majority/Minority運(yùn)算，然后進(jìn)行了亞類的合并，最后得到各分類方法的結(jié)果圖。1、馬氏最小距離法分類利用馬氏最小距離分類法得到的總體精度為89.2027%，kappa系數(shù)為0.8621。分類結(jié)果如圖3，混淆矩陣為表2。建設(shè)用地 水域 鹽堿地 濕地 草地 林地 耕地 圖3 馬氏最小距離法分類結(jié)果圖Fig.3 The result of mahalanobis distance classification表2 馬氏最小距離法分類混淆矩陣(%)Table2 The confusion matrix of

31、mahalanobis distance classification (%)耕地林地草地濕地鹽堿地水域建設(shè)地合計User.耕地96.90.217.8910.251.284.6236.3596.47林地0.2886.0613.310.282.3100.179.0277.86草地1.4312.2365.060.454.500.099.1271.71濕地0.350.6213.7178.721.26009.9181.43鹽堿地0.140.880.0217.4489.0801.2522.0491.07水域0000.02098.7208.2299.98建設(shè)地0.9002.092.61093.865.32

32、78.84合計100100100100100100100100Prod.96.986.0665.0678.7289.0898.7293.86注：Prod.、user.表示制圖精度、用戶精度。行為地表真值。2、最大似然法分類利用最大似然分類法得到的總體精度為97.2765%，kappa系數(shù)為0.9676。分類結(jié)果如圖4，混淆矩陣為表3。建設(shè)用地 水域 鹽堿地 濕地 草地 林地 耕地 圖4 最大似然法分類結(jié)果圖Fig.4 The result of maximum likelihood classification表3 最大似然法分類混淆矩陣(%)Table3 The confusion matr

33、ix of maximum likelihood classification (%)耕地林地草地濕地鹽堿地水域建設(shè)地合計User.耕地96.20.780.130.190.0200.6934.9599.62林地0.5297.610.040000.138.1697.59草地0.181.4496.751.130.1200.0410.0696.75濕地0.3601.2997.080.520.090.1710.3596.19鹽堿地0.030.171.381.5397.9600.322.4198.52水域0000099.9108.32100建設(shè)地2.7200.40.081.38098.665.7576.

34、66合計100100100100100100100100Prod.96.297.6196.7597.0897.9699.9198.66注：Prod.、user.表示制圖精度、用戶精度。行為地表真值。4.4 遙感圖像SVM分類在對遙感圖像進(jìn)行SVM分類時，其分類精度關(guān)鍵取決于要選擇準(zhǔn)確的參數(shù)，與所選用的核函數(shù)的類型關(guān)系不大3。許多研究者對SVM的應(yīng)用研究表明，對于多項(xiàng)式核函數(shù)，分類精度隨著參數(shù)d的增大而增大，但當(dāng)達(dá)到一個極值后隨著參數(shù)d的增大而有較大幅度的下降，一般取d=57時達(dá)到最大值3,5。對于徑向基核函數(shù)，其分類精度與參數(shù)也同樣存在這個關(guān)系,一般取=2能得到最大精度3。因此在對圖像進(jìn)行SV

35、M分類時，選擇了徑向基函數(shù)，并選擇=2，C=100進(jìn)行分類，最后得到的總體精度為98.5610%，kappa系數(shù)為0.9816，其分類結(jié)果如下：建設(shè)用地 水域 鹽堿地 濕地 草地 林地 耕地 圖5 支持向量機(jī)分類結(jié)果圖Fig.5 The result of SVM classification表4 SVM分類混淆矩陣(%)Table4 The confusion matrix of SVM classification (%)耕地林地草地濕地鹽堿地水域建設(shè)地合計User.耕地99.320.520.191.040.1101.1236.1999.33林地0.5298.270.120000.138.

36、2397.49草地0.111.2197.871.510.1500.0410.1796.77濕地0.0101.4695.80.2100.2210.0397.94鹽堿地000.351.5699.0902.9822.6698.55水域0000.08010008.3499.91建設(shè)地0.0400.020.020.44095.514.3997.31合計100100100100100100100100Prod.99.3298.2797.8795.899.0910095.51注：Prod.、user.表示制圖精度、用戶精度。行為地表真值。4.5 實(shí)驗(yàn)結(jié)果分析SVM的分類總體精度及kappa系數(shù)均高于傳統(tǒng)的分

37、類方法。由于研究區(qū)域地物的復(fù)雜性，以及光譜的相似性，導(dǎo)致傳統(tǒng)的分類方法具有較大程度的混分。尤其以馬氏最小距離為甚。馬氏最小距離分類對林地、草地、濕地和鹽堿地的混分程度較大。其分類總體精度及kappa系數(shù)也最低。而最大似然分類雖然有較高的總體分類及kappa系數(shù)，但從分類圖上可以看出，最大似然分類對屬于建設(shè)用地的道路有較高程度的多分。造成這種現(xiàn)象的原因可能是遙感圖像數(shù)據(jù)一般都是離散的，而不是正態(tài)分布。最大似然法的分類規(guī)則是基于概率的。它假定遙感數(shù)據(jù)呈正態(tài)分布，接著計算每個像元?dú)w屬于數(shù)據(jù)類別中的每一個類的概率，然后將該像元?dú)w屬到概率最大的那一類中。由于一個像元內(nèi)的地物特征是地表各個要素的綜合反映，且多分的像元都緊鄰道路像元，所以很容易歸為道路。而SVM的判別依據(jù)的是結(jié)構(gòu)風(fēng)險最小化原則。即將兩類正確分開的同時，可以保證其分類間隔最大，也就是結(jié)構(gòu)風(fēng)險最小，它和基于概率假設(shè)的最大似然分類本質(zhì)上完全不同。SVM分類雖然也存